近年来随着经济的迅速发展，国家的城市化步伐也在不断加快。城市的用水量高速增长，水资源日益短缺，城市用水的供需矛盾日益突出。要解决用水紧张问题，就需要对城市供水系统进行优化调度，实现水资源的优化配置。而所有这些工作都要以城市需水量预测为基础。因此需水量预测对一个城市供水设施的发展具有极其重要的意义。　　城市需水量灰色预测模型和城市需水量BP神经网络预测模型作为传统的城市需水量预测模型，都存在着一定的局限性，需要对其进行优化来进一步提高城市需水量预测的精度。本论文通过将粒子群算法（标准粒子群算法和差分粒子群算法）引入到传统的城市需水量灰色GM（1,1）预测模型和城市需水量BP神经网络模型中对模型进行优化，来进一步提高了城市需水量预测的精度。通过本文可以得出如下结论：　　①通过在传统的城市用水量灰色GM(1，1)预测模型中引入λ、ρ两个参数对模型进行了优化和调整，构成的GM（1,1l,r）模型能够更好的反映系统的振荡，提高模型的预测精度，通过引入标准粒子群算法寻找GM（1,1l,r）模型中两个参数l和r的最优解，为GM（1,1l,r）模型解决城市需水量预测问题提供了途径。　　②差分粒子群优化算法与标准粒子群算法相比在解决复杂多维问题时存在更大的优势,能够有效解决标准粒子群算法在解决多维问题中存在的“早熟”问题；将 BP人工神经网络模型的权值与阈值作为差分粒子群算法的位置矢量进行全局的寻优。确定BP人工神经网络模型的权值和阈值,得到了PSO-DV-BP人工神经网络.该模型成功的克服了 BP人工算法对初始的权值和阈值敏感,学习效率低以及标准粒子群算法解决多维问题容易陷入局部极小值导致收敛速度慢的缺点。　　③由于任何一个单一预测方法都只利用了系统的部分有用信息，同时也抛开了其它有用的信息，而不同的预测方法往往能提供不同的有用信息以及预测模型存在着不同的条件限制，为保证预测的准确性与可靠性、综合利用各种预测方法所供的信息，本文通过最小方差组合预测的方法将城市需水量PSO-GM预测模型和PSO-DV-BP预测模型进行加权组合，能够进一步提高城市需水量预测的精度。